基于图卷积神经网络和Transformer的时空短期风速预测方法及系统技术方案

本发明专利技术公开了一种基于图卷积神经网络和Transformer的时空短期风速预测方法及系统，该方法包括：获取相邻多风场的气象数据，并对数据进行预处理；根据相邻多风场的历史风速测量值，构建复数邻接矩阵；将预处理后的气象数据输入风速预测模型，以复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取；然后将得到的时空特征输入到Transformer网络中，得到风速的预测值。本发明专利技术可以有效地提升预测的精确性，准确的预测结果能够有效提高风能资源的利用率，降低风功率波动对电网稳定性的影响，从而实现风电场的经济、高效运行。高效运行。高效运行。

【技术实现步骤摘要】
基于图卷积神经网络和Transformer的时空短期风速预测方法及系统


[0001]本专利技术涉及风速预测
，特别涉及一种基于图卷积神经网络和Transformer的时空短期风速预测方法及系统。

技术介绍

[0002]近年来，碳排放问题的产生引起了各国的关注，在“双碳”背景下大力发展可再生新能源已成为必然的趋势，且随着环境问题及能源危机的日趋严重，环保节能相关产业也将受到世界各国的关注，发展绿色能源在全球范围内成为共识。风能作为全球可利用性最高、最具商业价值的新型可再生能源之一，风力发电可以在提供充足电力的基础上，同时具备成本低、有效缓解环境问题、使用安全、用之不竭等优势。然而，自然天气的动态变化给风能带来了强不确定性，进而限制了电力系统的风电消纳水平和使用率。为此，需要一个相对更准确的风速预测方法来提高风能预测精度、降低其不确定性对电力系统稳定运行的影响，进而提升其消纳比例。
[0003]现有技术中，有很多对风速预测的方法，预测精度也逐步提高，但还缺乏一种能同时考虑相邻多风电场之间空间相关性和单个风电场时间自相关性的有效方法，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述时空短期风速预测方法包括：获取相邻多风场的气象数据，并对获取的气象数据进行预处理；根据相邻多风场的历史风速测量值，构建复数邻接矩阵；将预处理后的气象数据输入风速预测模型；其中，所述风速预测模型以所述复数邻接矩阵作为图卷积神经网络所需的邻接矩阵，使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取，得到相邻多风场之间的时空特征；然后将所述时空特征输入到Transformer网络中，得到风速的预测值。2.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述气象数据包括温度、相对湿度、风速和光照强度。3.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述对获取的气象数据进行预处理，包括：对获取到的气象数据进行标准化处理，将各气象数据转换为标准正态分布；构建滑动窗口，对标准化后的气象数据进行划分，其中，所述滑动窗口的大小为48个时间步，预测结果为滑动窗口后一个时间步的风速值。4.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述复数邻接矩阵的每一个元素均为复数值；其实部值用于表示两个风场间的相关性，其取值范围为[0,1]，越接近1，表明两个风场间的相关性越强；越接近0，表明两个风场间的相关性越弱；若，其虚部的实数值表示两个风场间存在风速相关性的时间差；若，则值无效；通过使用相关系数来建模不同时间、不同风场之间的相关性，计算公式为：其中，、分别表示风场和风场，、分别表示时间段和时间段；表示风场在时间段的风速测量值时间序列，表示风场在时间段的风速测量值时间序列；表示计算出的风场和风场的相关系数；表示风场在时间段的风速测量值时间序列与风场在时间段的风速测量值时间序列之间的协方差，表示风场在时间段的风速测量值时间序列的方差，表示风场在时间段的风速测量值时间序列间的方差。5.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，所述使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征
提取，计算公式为：其中，表示提取的时空特征，表示复数邻接矩阵，表示风场的各种气象数据，表示风场的对应的参数矩阵，为一种激活函数。6.如权利要求1所述的基于图卷积神经网络和Transformer的时空短期风速预测方法，其特征在于，在将所述时空特征输入到Transform...

【专利技术属性】
技术研发人员：胡天宇，刘浩，马惠敏，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：